Académique Documents
Professionnel Documents
Culture Documents
Statistiques descriptives
Statistiques Inférentielles
Initiation à l’économétrie (Econométrie I)
Partie n° I : Statistiques descriptives
Premier Chapitre : Les indicateurs statistiques
Section I : Les distributions qualitatives et quantitatives
I-1 La distribution qualitative : Sexes (le système de Codage binaire ou
dichotomique), la nationalité ou les couleurs des yeux (le système de codage est
non-ordonné, le niveau de Scolarité (Système de Codage ordonné)
Exemple 1 : la couleur des Yeux
Effectifs Angle
Modalités Fréquences Fréquences
Caractères absolues relatives
Mi ni fi
Noire n1 =15 15/180=0.083 360°×0.083=30°
Verte n2=25 25/180=0.139 360°×0.139=50°
Blue n3=35 35/180=0.194 360°×0.194=70°
Gris n4=45 45/180=0.25 360×0.25=90
Marron n5=60 60/180=0.333 360×0.333=120
Total 180=n 1 360°×1=360°
Blue
Gris
- Tuyau d’Orgue
Titre du graphique
70
60
50
40
30
20
10
0
Noire Verte Blue Gris Maronna
Le Mode : Mo=Maronna
𝐹(𝑀𝑒) = 0,5 → 𝑀𝑒 = 3
- Diagramme en bâton
44
36
25
15
0 1 2 3 4 5 6
NOMBRE DES ENFANTS
- Diagramme en escalier
Diagramme en Escalier
Série1 Série2
Fréquences cumulées croissantes et
1,2
1
décroissantes
0,8
0,6
0,4
0,2
0
0 1 2 3 4 5 6 7
Modalités
La moyenne pondérée
𝑀𝑛
1 1
𝑋 = ∑ 𝑀𝑖 × 𝑛𝑖 = × 1401 = 4.003
𝑛 350
𝑖=𝑀0
La médiane : la médiane partage la population en deux parties égale : une partie inférieure à la
médiane et l’autre partie supérieure à la médiane. F(Me)=0.5
Me=3
Le mode est la valeur la plus fréquente et il sera noté par Mo=6
La variance : est un indicateur de précision pour éviter le risque. D’où, la variance est un
indicateur du risque : V(X)
La Variance arithmétique :
𝑛 𝑛
1 1 2
𝑉(𝑋) = ∑(𝑋𝑖 − 𝑋)2 = ∑ 𝑋𝑖2 − 𝑋
𝑛 𝑛
𝑖=1 𝑖=1
La variance pondérée :
𝑛
1 2 1
𝑉(𝑋) = ∑ 𝑀𝑖2 𝑛𝑖 − 𝑋 = × 6693 − (4.003)2 = 3.099
𝑛 350
𝑖=1
L’écart type
L’écart-type : est un indicateur de dispersion qui reflète la nature d’ajustement linéaire. Lorsque
l’écart-type est très s’élevé, ceci est un indicateur du mauvais ajustement par rapport à la
moyenne. Par contre, si l’ajustement est très bon, c’est-à-dire l’écart-type est très faible.
Un caractère quantitatif continu parce que les modalités sont mesurées par des intervalles ou
des classes. Aussi, les amplitudes des intervalles sont égales
25+30
La classe modale : [25; 30[ Mo= = 27.5
2
La médiane : F(Me)=0.5
20 → 𝐹(20) = 0.423
𝑀𝑒 → 𝐹(𝑀𝑒) = 0.5
25 → 𝐹(25) = 0.513
𝑀𝑒 − 20 0.5 − 0.423 0.077
= = = 0.855
25 − 20 0.513 − 0.423 0.09
𝑎 𝑐 𝑎
= 𝑑 → 𝑎𝑑 = 𝑏𝑐 𝑒𝑡 = 𝑐 → 𝑎 = 𝑏𝑐
𝑏 𝑏
𝑀𝑒 − 20
= 0.855 → (𝑀𝑒 − 20) = 0.855 × 5 = 4.275 → 𝑀𝑒 − 20 = 4.275
5
𝑀𝑒 = 20 + 4.275 = 24.275
1 1
La moyenne : 𝑋 = 𝑛 ∑7𝑖=1 𝑛𝑖 𝐶𝑖 = 165 × 3362.5 = 20.379
1 2 1
La variance :𝑉(𝑋) = 𝑛 ∑7𝑖=1 𝑛𝑖 𝐶𝑖2 − 𝑋 = 165 × 83781.25 − (20.379)2 = 92.461
La variance est très élevée, celle est un indicateur de la mauvaise qualité de précision.
[30; 39[(9) 8063 8063 8063/46947=0.172 0.23 0.942 34.5 287173.5 9596985.75
[40; 49[(9) 9569 9569 9569/46947=0.204 0.434 0.77 44.5 425820.5 18949012.25
[50; 59[(9) 10660 10660 10660/46947=0.227 0.661 0.566 54.5 580970 31662865
29 → 𝐹(29) = 0.058
D1 → 𝐹(D1) = 0.1
39 → 𝐹(39) = 0.23
𝐷1 − 29 0.1 − 0.058 0.042
= = = 0.244
39 − 29 0.23 − 0.058 0.172
𝐷1 − 29
= 0.244 → 𝐷1 − 29 = 10 × 0.244 = 2.44 → 𝐷1 − 29 = 2.44
10
𝐷1 = 29 + 2.44 = 31.44=32
𝑃(35 < 𝑋 < 65) = 𝐹(65) − 𝐹(35) = 0.846 − 0.161 = 0.685 = 68.5%
29 → 𝐹(29) = 0.058
35 → 𝐹(35) =?
39 → 𝐹(39) = 0.23
35 − 29 ? −0.058 ? −0.058 6
= = = = 0.6
39 − 29 0.23 − 0.058 0.172 10
? −0.058
= 0.6 →? −0.058 = 0.6 × 0.172 = 0.103 →? −0.058 = 0.103
0.172
59 → 𝐹(59) = 0.661
65 → 𝐹(65) =?
70 → 𝐹(70) = 1
65 − 59 ? −0.661 ? −0.661 6
= = = = 0.545
70 − 59 1 − 0.661 0.339 11
? −0.661
= 0.545 →? −0.661 = 0.545 × 0.339 = 0.185 →? −0.661 = 0.185
0.339
𝑃(35 < 𝑋 < 65) = 𝐹(65) − 𝐹(35) = 0.846 − 0.161 = 0.685 = 68.5%
Chapitre 2 : Généralité sur les variables aléatoires
𝑬(𝑿 𝟐)
= ∑ 𝑥𝑖2 𝑷(𝑿 = 𝒙𝒊 )𝑙𝑒 𝑚𝑜𝑚𝑒𝑛𝑡 𝑑 ′ 𝑜𝑟𝑑𝑟𝑒 2
𝒊=𝟏
2
𝜎 = √𝑉(𝑋) 𝑒𝑡 𝜎 2 = (√𝑉(𝑋) ) = 𝑉(𝑋)
𝜕𝐺𝑋 (𝑡)
𝐸(𝑋) = ] = 𝑛(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−1 ]𝑡=0 = 𝑛𝑝(𝑝 + 𝑞)𝑛−1 = 𝑛𝑝
𝜕𝑡 𝑡=0
𝜕 2 𝐺𝑋 (𝑡)
𝐸(𝑋 2 ) = ] = 𝑛(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−1 + 𝑛(𝑒 𝑡 𝑝)(𝑛 − 1)(𝑒 𝑡 𝑝)(𝑒 𝑡 𝑝 + 𝑞)𝑛−2 ]𝑡=0
𝜕𝑡 2 𝑡=0
= 𝑛𝑝(𝑝 + 𝑞)𝑛−1 + 𝑛(𝑛 − 1)𝑝 × 𝑝 × (𝑝 + 𝑞)𝑛−2 = 𝑛𝑝 + 𝑛(𝑛 − 1)𝑝2
= 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2
𝟐
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2 − (𝑛𝑝)2 = 𝑛𝑝 + 𝑛2 𝑝2 − 𝑛𝑝2 − 𝑛2 𝑝2
= 𝑛𝑝 − 𝑛𝑝2 = 𝑛𝑝(1 − 𝑝) = 𝑛𝑝𝑞
(𝑎 + 𝑏)𝑛 = ∑𝒏𝒌=𝟎 𝐶𝑛𝑘 (a)𝑘 (𝑏)𝑛−𝑘
(𝑎 + 𝑏)2 = ∑𝟐𝒌=𝟎 𝐶2𝑘 (a)𝑘 (𝑏)𝑛−𝑘 =𝐶20 (a)0 (𝑏)2 + 𝐶21 (a)1 (𝑏)1 + 𝐶22 (a)2 (𝑏)0 = 𝑏 2 + 2𝑎𝑏 +
𝑎2
0! = 1; 1! = 1; 𝑛! = 𝑛 × (𝑛 − 1) × (𝑛 − 2) … … … … . .× 2 × 1
𝑝
𝑛! 𝑛! 𝐴𝑛
𝐶𝑛𝑝 = 𝑝!(𝑛−𝑝)! 𝑒𝑡 𝐴𝑝𝑛 = (𝑛−𝑝)! ; 𝐶𝑛𝑝 = 𝑝!
2! 2! 2! 2 2!
𝐶20 = 0!(2−0)! = 1; 𝐶21 = 1!(2−1)! = 1!1! = 1 = 2 𝑒𝑡 𝐶22 = 2!(2−2)! = 1
𝑛 𝑛 𝑛
𝑡𝑥 𝑡𝑥 𝑡𝑥 −𝜃
𝜃 𝑥𝑖 −𝜃 𝑡𝑥
𝜃 𝑥𝑖
𝐺𝑋 (𝑡) = 𝐸(𝑒 ) = ∑ 𝑒 𝑃(𝑋 = 𝑥𝑖 ) = ∑ 𝑒 𝑒
𝑖 𝑖 =𝑒 ∑𝑒 𝑖
𝑥𝑖 ! 𝑥𝑖 !
𝑥𝑖 =0 𝑥𝑖 =0 𝑥𝑖 =0
𝑛
−𝜃
(𝜃𝑒 𝑡 )𝑥𝑖 𝑡 𝑡
𝐺𝑋 (𝑡) = 𝑒 ∑ = 𝑒 −𝜃 𝑒 𝜃𝑒 = 𝑒 𝜃(𝑒 −1)
𝑥𝑖 !
𝑥𝑖 =0
𝑛 𝑛
∑ 4𝑋𝑖 = 4 ∑ 𝑋𝑖
𝑖=0 𝑖=0
𝑜𝑛 𝑝𝑜𝑠𝑒 𝑎𝑢𝑡𝑟𝑒𝑓𝑜𝑖𝑠 𝑋 = 𝜃𝑒 𝑡
𝑛
𝜃𝑒 𝑡 𝑡
(𝜃𝑒 𝑡 )2 (𝜃𝑒 𝑡 )3 (𝜃𝑒 𝑡 )𝑛 (𝜃𝑒 𝑡 )𝑥𝑖
𝑒 = 𝜃 + (𝜃𝑒 ) + + + ⋯…………+ = ∑
2! 3! 𝑛! 𝑥𝑖 !
𝑥𝑖 =0
𝑛
−𝜃
(𝜃𝑒 𝑡 )𝑥𝑖 𝑡 𝑡
𝐺𝑋 (𝑡) = 𝑒 ∑ = 𝑒 −𝜃 𝑒 𝜃𝑒 = 𝑒 𝜃(𝑒 −1)
𝑥𝑖 !
𝑥𝑖 =0
Exemple : Déterminer la valeur de k pour que la fonction f(x)=kx soit une densité de
probabilité sur l’intervalle [0 ;1]
1 1 1 1 1
f(x) = kx ≥ 0 ∀ X ∈ ]0 ; 1[ et ∫0 𝑘𝑥𝑑𝑥 = 1 𝐷′ 𝑜ù [𝑘 × 1+1 𝑥1+1 ] = [𝑘 × 2 𝑥 2 ] = 1
0 0
𝑘 21 𝑘 𝑘 𝑘
[ 𝑥 ] = 1 → (1)2 − (0)2 = 1 → = 1 → 𝑘 = 2 × 1 = 2
2 0 2 2 2
𝑓(𝑥) = 2𝑥
1
𝑓(𝑥) = 𝑥 𝑛 𝐹(𝑥) = 𝑥 𝑛+1
𝑛+1
𝑓(𝑥) = 𝑐𝑡𝑒 = 𝑎 𝐹(𝑥) = 𝑐𝑡𝑒𝑥 = 𝑎𝑥
𝐹 ′ (𝑥) = 𝑓(𝑥)
1 1
𝑓(𝑥) = 2𝑥 𝑒𝑡 𝐹(𝑥) = 2 × 𝑥1+1 = 2 × 𝑥 2 = 𝑥 2
1+1 2
𝐹 ′ (𝑥) = 2𝑥 = 𝑓(𝑥)
𝑓(𝑥) = 𝐶𝑜𝑠(𝑥) 𝐹(𝑥) = Sin(𝑥)
𝑓(𝑥) = sin(𝑥) → 𝐹(𝑥) = −𝑐𝑜𝑠(𝑥)
2 2 2
𝑓(𝑥) = 2𝑥𝑒 𝑥 = (𝑥 2 )′𝑒 𝑥 → 𝐹(𝑥) = 𝑒 𝑥
1
𝑓(𝑥) = → 𝐹(𝑥) = 𝐿𝑜𝑔(𝑥)
𝑥
I-2-2 Fonction de répartition
Soit X une variable aléatoire réelle continue et f sa densité de probabilité. La fonction de
répartition X est définie par :
𝑓(𝑥) = 𝑃(𝑋 < 𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝑬(𝑿) = ∫ 𝒙𝒇(𝒙)𝒅𝒙
𝒅𝒇
1 1 1 1 2 1 2 2
𝑓(𝑥) = 2𝑥 𝑒𝑡 𝐸(𝑋) = ∫0 𝑥2𝑥𝑑𝑥 =∫0 2𝑥 2 𝑑𝑥 =[2 × 2+1 𝑥 2+1 ] = [3 𝑥 3 ] = 3 × 13 − 3 × 03 =
0 0
2 2
. D’où 𝐸(𝑋) = 3
3
𝑬(𝑿𝒌 ) = ∫ 𝒙𝒌 𝒇(𝒙)𝒅𝒙
𝒅𝒇
𝟐 𝟏 2 𝟐 𝟏 𝟒 𝟗 𝟖 𝟏
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) = −( ) = − = − =
𝟐 3 𝟐 𝟗 𝟏𝟖 𝟏𝟖 𝟏𝟖
𝟏
𝟐)
𝟏
𝟐
𝟏
𝟐
𝟏 𝟑+𝟏
𝟏 𝟒 𝟏
𝟏
𝟑
𝑬(𝑿 = ∫ 𝒙 𝒇(𝒙)𝒅𝒙 = ∫ 𝒙 × 𝟐𝒙 𝒅𝒙 = ∫ 𝟐𝒙 𝒅𝒙 = [𝟐 × 𝒙 ] =[ 𝒙 ]
𝟎 𝟎 𝟎 𝟑+𝟏 𝟎 𝟐 𝟎
𝟏 𝟏 𝟏
= × 𝟏𝟒 − × 𝟎𝟒 =
𝟐 𝟐 𝟐
I-2-5 Fonction génératrice des moments
𝟏 𝟑 𝟏 𝒃𝟑 −𝒂𝟑
𝐸(𝑋 2 ) = 𝟑(𝒃−𝒂) 𝒃 − 𝟑(𝒃−𝒂) 𝒂𝟑 = 𝟑(𝒃−𝒂)=
𝟐
2)
𝒃𝟑 − 𝒂𝟑
2 𝒃+𝒂 𝒃𝟑 − 𝒂𝟑 𝒃𝟐 + 𝟐𝒂𝒃 + 𝒂𝟐
𝑉(𝑋) = 𝐸(𝑋 − (𝐸(𝑋)) = −( ) = −( )
𝟑(𝒃 − 𝒂) 𝟐 𝟑(𝒃 − 𝒂) 𝟒
𝟑 𝟐
4𝒃 − 𝟒𝒂𝟑 + 𝟑(𝒃 − 𝒂) (−𝒃 − 𝟐𝒂𝒃 − 𝒂𝟐 )
𝑉(𝑋) =
12(𝑏 − 𝑎)
𝟑 𝟑 𝟐 𝟐
4𝒃 − 𝟒𝒂𝟑 − 𝟑𝒃 − 𝟔𝒂𝒃 − 𝟑𝒃𝒂𝟐 + 𝟑𝒂𝒃 + 𝟔𝒂𝟐 𝒃 + 𝟑𝒂𝟑
=
12(𝑏 − 𝑎)
3 3 2 2
𝑏 − 𝑎 − 3𝑎𝑏 + 3𝑎 𝑏 (𝑏 − 𝑎)3 (𝑏 − 𝑎)2 (𝑏 − 𝑎) 2
= = = =( )
12(𝑏 − 𝑎) 12(𝑏 − 𝑎) 12 √12
(𝒃 − 𝒂)𝟑 = 𝒃𝟑 − 𝟑𝒂𝒃𝟐 + 𝟑𝒂𝟐 𝒃 − 𝒂𝟑
𝟑
La loi normale
X suit une loi normale de moyenne m et de variance 𝜎 2 et leur densité de probabilité est définie
sous la forme suivante :
1 −1 𝑥−𝑚 2
( )
𝑓(𝑥) = 𝑒 2 𝜎
√2𝜋𝜎
Une loi normale possède trois propriétés essentielles à savoir :
Identique : 𝐸(𝑋1 ) = 𝐸(𝑋2 ) = ⋯ … … … . = 𝐸(𝑋𝑛 ) = 𝑚 et 𝑉(𝑋1 ) = 𝑉(𝑋2 ) = ⋯ = 𝑉(𝑋𝑛 ) =
𝜎2
Indépendante : 𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 𝐶𝑜𝑣(𝑋2 ; 𝑋3 ) = 𝐶𝑜𝑣(𝑋3 ; 𝑋4 ) = ⋯ … … . . = 𝐶𝑜𝑣(𝑋𝑛 ; 𝑋𝑛−1 ) = 0
−1 𝑥−𝑚 2
1
𝑒2( )
La densité de probabilité ou de distribution : 𝑓(𝑥) = 𝜎
√2𝜋𝜎
𝑿𝒊 ~𝑵(𝒎; 𝝈𝟐 ) 𝒐𝒖 𝑿𝒊 ~𝒊𝒊𝒅(𝒎; 𝝈𝟐 )
2. 𝑬(𝒀𝟏 ) = 𝑬(𝑿𝟏 ) = 𝒎
𝑿𝟏 + 𝑿𝟐 𝟏 𝒎+𝒎
𝑬(𝒀𝟐 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 )) = =𝒎
𝟐 𝟐 𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏 𝒎+𝒎+𝒎
𝑬(𝒀𝟑 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 ) + 𝑬(𝑿𝟑 )) = =𝒎
𝟑 𝟑 𝟑
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 + ⋯ . . + 𝟏
𝑬(𝒀𝒏 ) = 𝑬 ( ) = (𝑬(𝑿𝟏 ) + 𝑬(𝑿𝟐 ) + 𝑬(𝑿𝟑 ) + ⋯ … 𝑬(𝑿𝒏 ))
𝒏 𝒏
𝒎 + 𝒎 + 𝒎 + ⋯ … . +𝒎
= =𝒎
𝒏
3. 𝑽(𝒀𝟏 ) = 𝑽(𝑿𝟏 ) = 𝝈𝟐
𝑿𝟏 + 𝑿𝟐 𝟏 𝝈𝟐 + 𝝈𝟐 𝝈𝟐
𝑽(𝒀𝟐 ) = 𝑽 ( ) = (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 )) = =
𝟐 𝟒 𝟒 𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏 𝝈𝟐 + 𝝈𝟐 + 𝝈𝟐 𝝈𝟐
𝑽(𝒀𝟑 ) = 𝑽 ( ) = (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 ) + 𝑽(𝑿𝟑 )) = =
𝟑 𝟗 𝟗 𝟑
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 + ⋯ . . +𝑿𝒏
𝑽(𝒀𝒏 ) = 𝑽 ( )
𝒏
𝟏
= 𝟐 (𝑽(𝑿𝟏 ) + 𝑽(𝑿𝟐 ) + 𝑽(𝑿𝟑 ) + ⋯ … + 𝑽(𝑿𝒏 ))
𝒏
𝝈𝟐 + 𝝈𝟐 + 𝝈𝟐 + ⋯ . . +𝝈𝟐 𝒏𝝈𝟐 𝝈𝟐
= = 𝟐 =
𝒏𝟐 𝒏 𝒏
𝝈𝟏 = √𝑽(𝒀𝟏 ) = √𝝈𝟐 = 𝝈
𝝈𝟐 𝝈
𝝈𝟐 = √𝑽(𝒀𝟐 ) = √ 𝟐 =
√𝟐
𝝈𝟐 𝝈
𝝈𝟑 = √𝑽(𝒀𝟑 ) = √ 𝟑 =
√𝟑
𝝈𝟐 𝝈
𝝈𝟑 = √𝑽(𝒀𝒏 ) = √ 𝒏 =
√𝒏
𝝈𝟐
𝑬(𝒀𝟐𝟐 ) = 𝑽(𝒀𝟐 ) + (𝑬(𝒀𝟐 ))𝟐 = + 𝒎𝟐
𝟐
𝝈𝟐
𝑬(𝒀𝟐𝟑 ) = 𝑽(𝒀𝟑 ) + (𝑬(𝒀𝟑 ))𝟐 = + 𝒎𝟐
𝟑
𝝈𝟐
𝑬(𝒀𝟐𝒏 ) = 𝑽(𝒀𝒏 ) + (𝑬(𝒀𝒏 ))𝟐 = + 𝒎𝟐
𝒏
5. 𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟏 ) = 𝑽(𝒀𝟏 ) = 𝝈𝟐
𝝈𝟐
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟐 ) = 𝑽(𝒀𝟐 ) =
𝟐
𝝈𝟐
𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟑 ) = 𝑽(𝒀𝟑 ) =
𝟑
𝑿𝟏 +𝑿𝟐 𝟏
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) = 𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟏 ) = 𝑪𝒐𝒗 (𝑿𝟏 ; ) = 𝟐 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 + 𝑿𝟐 ) =
𝟐
𝟏 𝟏 𝟏 𝝈𝟐
𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 )+𝟐 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟐 ) = 𝟐 𝑽(𝑿𝟏 ) =
𝟐 𝟐
𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 𝟏
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟑 ) = 𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟏 ) = 𝑪𝒐𝒗 (𝑿𝟏 ; ) = 𝑪𝒐𝒗(𝑿𝟏 ; 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 )
𝟑 𝟑
𝟏 𝝈𝟐
= 𝑽(𝑿𝟏 ) =
𝟑 𝟑
𝑿𝟏 +𝑿𝟐 𝑿𝟏 +𝑿𝟐 +𝑿𝟑 𝟏 𝟏
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟑 ) = 𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟐 ) = 𝑪𝒐𝒗 ( ; ) = 𝟐 × 𝟑 𝑪𝒐𝒗(𝑿𝟏 + 𝑿𝟐 ; 𝑿𝟏 +
𝟐 𝟑
𝟏 𝟏 𝟏 𝝈𝟐 𝝈𝟐 𝝈𝟐
𝑿𝟐 + 𝑿𝟑 ) = 𝟔 𝑪𝒐𝒗(𝑿𝟏 + 𝑿𝟐 ; 𝑿𝟏 + 𝑿𝟐 + 𝑿𝟑 ) = 𝟔 𝑽(𝑿𝟏 ) + 𝟔 𝑽(𝑿𝟐 ) = + =
𝟔 𝟔 𝟑
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟏 ) 𝑽(𝒀𝟏 )
𝝆𝒀𝟏 ;𝒀𝟏 = = =𝟏
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟏 ) 𝑽(𝒀𝟏 )
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟐 ) 𝑽(𝒀𝟐 )
𝝆𝒀𝟐 ;𝒀𝟐 = = =𝟏
√𝑽(𝒀𝟐 )√𝑽(𝒀𝟐 ) 𝑽(𝒀𝟐 )
𝑪𝒐𝒗(𝒀𝟑 ; 𝒀𝟑 ) 𝑽(𝒀𝟑 )
𝝆𝒀𝟑 ;𝒀𝟑 = = =𝟏
√𝑽(𝒀𝟑 )√𝑽(𝒀𝟑 ) 𝑽(𝒀𝟑 )
𝝈𝟐 𝝈𝟐
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟐 ) √𝟐 𝝅 𝝅
𝝆𝒀𝟏 ;𝒀𝟐 = = 𝟐 = 𝟐𝟐 = = 𝑺𝒊𝒏 ( ) = 𝑪𝒐𝒔 ( )
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟐 ) 𝝈𝟐 𝝈 𝟐 𝟒 𝟒
𝝈√𝟐 √𝟐
𝝈𝟐 𝝈𝟐
𝑪𝒐𝒗(𝒀𝟏 ; 𝒀𝟑 ) √𝟑 𝟏
𝝆𝒀𝟏 ;𝒀𝟑 = = 𝟑 = 𝟑𝟐 = =
√𝑽(𝒀𝟏 )√𝑽(𝒀𝟑 ) 𝝈𝟐 𝝈 𝟑 √𝟑
𝝈√𝟑 √𝟑
𝝈𝟐
𝝈𝟐
𝑪𝒐𝒗(𝒀𝟐 ; 𝒀𝟑 ) 𝟑 √𝟔 √𝟐 × 𝟑 √𝟐 𝟏 𝟏
𝝆𝒀𝟐 ;𝒀𝟑 = = = 𝟑𝟐 = = = = =
√𝟑 √𝟑 𝑪𝒐𝒔(𝝅)
𝝈 𝟑 𝟐
√𝑽(𝒀𝟐 )√𝑽(𝒀𝟑 ) √𝝈𝟐 √𝝈𝟐 (√𝟑) 𝟔
𝟐 𝟑 √𝟔 √𝟐
𝟏 𝑿𝟏 +𝑿𝟐 +⋯………….+𝑿𝒏
6. 𝒀𝒏 = 𝒏 ∑𝒏𝒊=𝟏 𝑿𝒊 = 𝒏
𝒏−𝟏
𝟏 𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏
𝒀𝒏−𝟏 = ∑ 𝑿𝒊 =
𝒏−𝟏 𝒏−𝟏
𝒊=𝟏
𝒏
𝟏 𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏 + 𝑿𝒏
𝒀𝒏 = ∑ 𝑿𝒊 =
𝒏 𝒏
𝒊=𝟏
𝟏 𝑿𝒏
= (𝑿𝟏 + 𝑿𝟐 + ⋯ … … … … . +𝑿𝒏−𝟏 ) +
𝒏 𝒏
𝟏 𝟏 (𝒏−𝟏) 𝟏 (𝒏−𝟏)𝒀𝒏−𝟏 +𝑿𝒏
𝒀𝒏 = 𝒏 ∑𝒏−𝟏
𝒊=𝟏 𝑿𝒊 + 𝒏 𝑿𝒏 = 𝒀𝒏−𝟏 + 𝒏 𝑿𝒏 =
𝒏 𝒏
𝒏−𝟏 𝒏−𝟏
𝟏
𝒀𝒏−𝟏 = ∑ 𝑿𝒊 → ∑ 𝑿𝒊 = (𝒏 − 𝟏) 𝒀𝒏−𝟏
𝒏−𝟏
𝒊=𝟏 𝒊=𝟏
(𝒏 − 𝟏)𝒀𝒏−𝟏 + 𝑿𝒏 = 𝒏 × 𝒀𝒏
Exercice n°II
𝟏 𝜶
𝑨=[ ]
𝟏 𝟐
𝟏 𝜶 𝟏 𝜶 𝟏 𝜶 𝟏 𝟎
1. 𝑩 = 𝑨𝟐 − 𝟑𝑨 + (𝟐 − 𝜶)𝑰 = [ ][ ]− 𝟑[ ] + (𝟐 − 𝜶) [ ]
𝟏 𝟐 𝟏 𝟐 𝟏 𝟐 𝟎 𝟏
𝟏+𝜶 𝟑𝜶 𝟑 𝟑𝜶 𝟐−𝜶 𝟎
𝑩=[ ]−[ ]+[ ]=
𝟑 𝜶+𝟒 𝟑 𝟔 𝟎 𝟐−𝜶
𝟏+𝜶−𝟑+𝟐−𝜶 𝟑𝜶 − 𝟑𝜶 + 𝟎 𝟎 𝟎
[ ]=[ ]
𝟑−𝟑+𝟎 𝜶+𝟒−𝟔+𝟐−𝜶 𝟎 𝟎
La matrice B ne dépend pas de la valeur de 𝜶 puisque dont les quatre éléments de cette
matrice 𝜶 est toujours absentes
𝟏 𝟎
𝑰=[ ]
𝟎 𝟏
𝟏
2. 𝑨−𝟏 = 𝒅𝒆𝒕(𝑨) 𝑪𝒇′(𝑨)
𝟏 𝜶
𝑨=[ ]
𝟏 𝟐
𝒅𝒆𝒕(𝑨) = 𝟏 × 𝟐 − 𝟏 × 𝜶 = 𝟐 − 𝜶 ≠ 𝟎 → 𝜶
≠ 𝟐 𝒑𝒐𝒖𝒓 𝒒𝒖𝒆 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑨 𝒔𝒐𝒊𝒕 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆
𝟐 −𝟏
𝑪𝒇(𝑨) = [ ]
−𝜶 𝟏
𝟏 𝟐 −𝜶
𝑨−𝟏 = [ ]
𝟐 − 𝜶 −𝟏 𝟏
𝟐 −𝜶
[ ] = 𝑨−𝟏 (𝟐 − 𝜶) = (𝟐 − 𝜶)𝑨−𝟏
−𝟏 𝟏
𝟏 𝜶 𝟏 𝟎 𝟏−𝟑 𝜶−𝟎 −𝟐 𝜶
3. 𝑪 = 𝑨 − 𝟑𝑰 = [ ] −𝟑[ ]=[ ]=[ ]=
𝟏 𝟐 𝟎 𝟏 𝟏−𝟎 𝟐−𝟑 𝟏 −𝟏
𝟐 −𝜶
−𝟏 [ ] = −𝟏 × 𝑨−𝟏 (𝟐 − 𝜶) = 𝑨−𝟏 (𝜶 − 𝟐) = 𝑪
−𝟏 𝟏
𝟏 𝟐 𝟏 𝟐
4. 𝑨 = [ ][ ]=
𝟏 𝟐 𝟏 𝟐
𝟏+𝟐 𝟐+𝟒 𝟑 𝟔 𝟏 𝟐
𝑨𝟐 = [ ]=[ ] = 𝟑[ ]=3A
𝟏+𝟐 𝟐+𝟒 𝟑 𝟔 𝟏 𝟐
𝑨𝟑 = 𝑨𝑨𝟐 = 𝑨 × 𝟑 × 𝑨 = 𝟑𝑨𝟐 = 𝟑 × 𝟑𝑨 = 𝟑𝟐 𝑨
𝑨𝒏 = 𝟑𝒏−𝟏 𝑨 = λ𝒏−𝟏 𝑨 𝒂𝒗𝒆𝒄 λ = 𝟑
1.
𝒁 = 𝑿𝒀
𝟐 𝟐 𝟐
𝑽(𝒁) = 𝑬(𝒁𝟐 ) − (𝑬(𝒁)) = 𝑬[(𝑿𝒀)𝟐 ] − (𝑬(𝑿𝒀)) = 𝑬[𝑿𝟐 𝒀𝟐 ] − (𝑬(𝑿)𝑬(𝒀))
𝟐 𝟐
𝑽(𝑿) = 𝑬(𝑿𝟐 ) − (𝑬(𝑿)) → 𝑬(𝑿𝟐 ) = 𝑽(𝑿) + (𝑬(𝑿)) = 𝝈𝟐𝑿 + 𝒎𝟐𝑿
𝟐
𝑽(𝒀) = 𝑬(𝒀𝟐 ) − (𝑬(𝒀))𝟐 → 𝑬(𝒀𝟐 ) = 𝑽(𝒀) + (𝑬(𝒀)) = 𝝈𝟐𝒀 + 𝒎𝟐𝒀
𝟐
𝑽(𝒁) = 𝑬[𝑿𝟐 𝒀𝟐 ] − (𝑬(𝑿)𝑬(𝒀)) = 𝑬(𝑿𝟐 )𝑬(𝒀𝟐 ) − 𝑬𝟐 (𝑿)𝑬𝟐 (𝒀) = (𝝈𝟐𝑿 +
𝒎𝟐𝑿 )(𝝈𝟐𝒀 + 𝒎𝟐𝒀 ) − 𝒎𝟐𝑿 𝒎𝟐𝒀 =𝝈𝟐𝑿 𝝈𝟐𝒀 + 𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿 + 𝒎𝟐𝑿 𝒎𝟐𝒀 − 𝒎𝟐𝑿 𝒎𝟐𝒀 = 𝝈𝟐𝑿 𝝈𝟐𝒀 +
𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿
2. 𝑽(𝒁) = 𝝈𝟐𝑿 𝝈𝟐𝒀 𝒔𝒊 𝒆𝒕 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒔𝒊 𝒎𝑿 = 𝒎𝒀 = 𝟎
3. 𝑽(𝒁) = 𝑽(𝑿𝒀) = 𝑽(𝑿)𝑽(𝒀) = 𝜶𝜷 ≠ 𝝈𝟐𝑿 𝝈𝟐𝒀 + 𝝈𝟐𝑿 𝒎𝟐𝒀 + 𝝈𝟐𝒀 𝒎𝟐𝑿 ≠ 𝜃
𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝛼) → 𝐸(𝑋) = 𝑉(𝑋) = 𝛼
𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝛽) → 𝐸(𝑌) = 𝑉(𝑌) = 𝛽
𝑍~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜃) → 𝐸(𝑍) = 𝑉(𝑍) = 𝜃
𝑉(𝑍) = 𝑉(𝑋. 𝑌) = 𝑉(𝑋)𝑉(𝑌) = 𝛼𝛽 ≠ 𝜃
1 1
𝐸(𝑋) = 0 ↔ −𝛼 =0↔𝛼 =
3 3
1 1 2 1 1
𝑃(𝑋 = −1) = ; 𝑃(𝑋 = 0) = 𝑒𝑡 𝑃(𝑋 = 1) = − =
3 3 3 3 3
3- 𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
1
𝐸(𝑋 2 ) = ∑ 𝑥𝑖 2 𝑃(𝑋 = 𝑥𝑖 )
𝑥𝑖 =−1
= (−1)2 × 𝑃(𝑋 = −1) + 02 × 𝑃(𝑋 = 0) + 12 × 𝑃(𝑋 = 1)
1 1 1 1 1 2
=1× +0× +1× = + =
3 3 3 3 3 3
2
𝐸(𝑋) = 0 𝑒𝑡 𝑉(𝑋) = 𝐸(𝑋 2 ) − 02 = 𝐸(𝑌) = 𝐸(𝑋 2 ) = = 𝑉(𝑋)
3
2
𝐶𝑜𝑣(𝑋; 𝑌) = 𝐸(𝑋𝑌) − 𝐸(𝑋) = 𝐸(𝑋𝑌) = 𝐸(𝑋𝑋 2 ) = 𝐸(𝑋 3 )
3
1
2 𝑘 1 𝑛−𝑘
𝑃(𝑌 = 𝑘) = 𝐶𝑛𝑘 ( ) ( )
3 3
2 2 1 2
𝐸(𝑌) = 𝑛𝑝 = 𝑛 𝑒𝑡 𝑉(𝑌) = 𝑛𝑝𝑞 = × × 𝑛 = 𝑛
3 3 3 9
−𝑏 + √∆ −2 + 2𝑖 −1 1
𝛼2 = = = + 𝑖
2𝑎 4 2 2
−1 2 1 2 1 1 1 √2 𝜋 𝜋
‖𝛼2 ‖ = √( ) + ( ) = √ + = = = 𝑆𝑖𝑛 ( ) = 𝐶𝑜𝑠 ( )
2 2 4 4 √2 2 4 4
𝜋 𝜋 √2
𝛼 = 𝑆𝑖𝑛 ( ) = 𝐶𝑜𝑠 ( ) =
4 4 2
7.
𝑆 =𝑋+𝑌+𝑍
𝐸(𝑆) = 𝐸(𝑋 + 𝑌 + 𝑍) = 𝐸(𝑋) + 𝐸(𝑌) + 𝐸(𝑍) = 0
𝑉(𝑆) = 𝑉(𝑋 + 𝑌 + 𝑍) = 𝑉(𝑋) + 𝑉(𝑌 + 𝑍) + 2𝐶𝑜𝑣(𝑋; 𝑌 + 𝑍)
= 𝑉(𝑋) + 𝑉(𝑌) + 𝑉(𝑍) + 2𝐶𝑜𝑣(𝑌 ; 𝑍) + 2𝐶𝑜𝑣(𝑋; 𝑌)
+ 2𝐶𝑜𝑣(𝑋; 𝑍) = 2 + 2 + 2 − 2 − 2 − 2 = 0
8. 𝐸(𝑆) = 𝑉(𝑆) = 0 𝑑𝑜𝑛𝑐 𝑆 = 0
𝐸(𝑇) = 0 𝑒𝑡 𝑉(𝑇) = 1
𝑆 = 𝑋 + 𝑌 + 𝑍 = 0 → 𝑋 = −𝑌 − 𝑍
√2
𝑇 = 𝑌 − 𝛼𝑋 = 𝑌 − 𝛼𝑋 = 𝑋(−1 − 𝛼) − 𝑍 = 𝑋 (−1 − )−𝑍
2
−√2 − 2
𝑇 = 𝑋( ) − 𝑍 = −√3𝑋 − 𝑍
2
Concours ENA Septembre 2013
Exercice n°3 :
Nombre de 𝐶𝑖2 × 𝑛𝑖 Fréquence
Salaire Salariés
Modalité Effectif (ni) Ci Ci×ni 𝐶𝑖2
[0,1000[(1000) 0 500 0 250000 0 0/300=0
[1000,1400[(400) 100 1200 120000 1440000 144000000 100/300=0.333
384 150/300=0.5
[1400,1800[(400) 150 1600 240000 2560000 000000
[1800,2200[(400) 40 2000 80000 4000000 160000000 40/300=0.133
[2200,3000[(800) 10 2600 26000 6760000 67600000 10/300=0.033
755 600
Total 300=n 466000 000
5
1 1
𝑋 = ∑ 𝐶𝑖 × 𝑛𝑖 = × 466000 = 1553,333
𝑛 300
𝑖=1
5
1 2 1
𝑉(𝑋) = ∑ 𝐶𝑖2 × 𝑛𝑖 − 𝑋 = × 755600000 − (1553,333)2
𝑛 300
𝑖=1
𝑉(𝑋) = 105823,258. D’où, la qualité de précision est très mauvaise car la
variance est très s’élevée.
1400+1800
La classe Modale ou Médiale : [1400,1800[ et MO= = 1600
2
𝐹(𝑀𝑒) = 0.
1400 → 𝐹(1400) = 0.333
𝑀𝑒 → 𝐹(𝑀𝑒) = 0.5
1800 → 𝐹(1800) = 0.833
𝑀𝑒 − 1400 0.5 − 0.333 0.167
= = = 0.334
1800 − 1400 0.833 − 0.333 0.5
𝑀𝑒 − 1400
= 0.334 → 𝑀𝑒 − 1400 = 400 × 0.334 = 133.6
400
𝑀𝑒 − 1400 = 133.6 → 𝑀𝑒 = 1533.6
La médiane partage la distribution en deux parties égales : une partie inférieure à
la médiane et l’autre supérieure à la médiane. 50% des salariés ont un salaire
inférieur à 1533.6 et les autres ont un salaire supérieur à 1533.6
Examen IFD 2019
Exercice n°I :
2
(√𝑉(𝑋1 + 𝑋2 ) ) = 𝑉(𝑋1 + 𝑋2 ) = 𝜎21 + 𝜎22 < (𝜎1 + 𝜎2 )2 = 𝜎12 + 𝜎22 + 2𝜎1 𝜎1 𝑐𝑎𝑟 2𝜎1 𝜎1 > 0
𝐶𝑜𝑣(𝑋1 ; 𝑌) = 𝜌1 𝜎1 𝜎𝑌 𝑒𝑡 𝐶𝑜𝑣(𝑋2 ; 𝑌) = 𝜌2 𝜎2 𝜎𝑌
𝐶𝑜𝑣(𝑋1 + 𝑋2 ; 𝑌) = 𝐶𝑜𝑣(𝑋1 ; 𝑌) + 𝐶𝑜𝑣(𝑋2 ; 𝑌) = 𝜌1 𝜎1 𝜎𝑌 + 𝜌2 𝜎2 𝜎𝑌
= 𝜎𝑌 (𝜌1 𝜎1 + 𝜌2 𝜎2 )
𝐶𝑜𝑣(𝑋1 + 𝑋2 ; 𝑌) 𝜎𝑌 (𝜌1 𝜎1 + 𝜌2 𝜎2 ) (𝜌1 𝜎1 + 𝜌2 𝜎2 )
𝜌𝑋1 +𝑋2 ;𝑌 = = =
𝜎𝑦 𝜎𝑋1+𝑋2 𝜎𝑦 √𝜎12 + 𝜎22 √𝜎12 + 𝜎22
Exercice n°2:
1 1
𝐴 = [3 2]
1 1
2 4
1 1 1 1 13 7
𝐴2 = 𝐴 × 𝐴 = [3 2] × [ 3 2] = [36 24]
1 1 1 1 7 5
2 4 2 4 24 16
1 1 7 7 1
7 1 7 1 1 0 0
3 2
1. 𝐴2 = 𝐴+ 𝐼 = [ 1] + [ ] = [36 24
7] + [6 1] =
12 6 12 1 6 0 1 7
0
2 4 24 48 6
13 7
[36
7
24
15] = 𝐴2
24 48
1 1
2. 𝐴 = [31 2
1]
2 4
1 1 1 1 1 1 1 3 −2 −1
det(𝐴) = × − × = − = − = = ≠0
3 4 2 2 12 4 12 12 12 6
1 −1
𝐶𝑓(𝐴) = [ 4 2]
−1 1
2 3
1 −1 1 −1
1 1 4 −6
𝐴−1 = ′
𝑐𝑓(𝐴) = [ 2 ] = −6 [ 4 2 ]=[ 4 3]
det(𝐴) −1 −1 1 −1 1
6 2 3 −2
3 2 3
−1 1 −1 1 1
+𝑋 =
𝐴−1 = 6[ 4 2 ] = 6[ 4 3 2 ]
1 −1 1 −1 1
+𝑌 =
2 3 2 3 4
−1 1 7 1 1 1 −7
= − 0
= 6[ 4 3 12 2 ] = 6[ 3 2 ]+[ 2 ]
1 −1 1 7 1 1 −7
= − 0
2 3 4 12 2 4 2
Method 2
7
𝐴−1 = 6𝐴 − 𝐼
2
7 7
𝐴−1 × 𝐴 = 𝐼 = 𝐴 × (6𝐴 − 𝐼) = 6𝐴2 − 𝐴
2 2
7 7
𝐼 = 6𝐴2 − 𝐴 = 𝐴(6𝐴 − 𝐼)
2 2
7 𝐼 7
𝐼 = 𝐴 (6𝐴 − 𝐼) → = 𝐼 × 𝐴−1 = 𝐴−1 = 6𝐴 − 𝐼
2 𝐴 2
7
𝐴−1 = 6𝐴 − 𝐼
2
3. 𝑈 = 𝐴𝑋
𝐶𝑜𝑣(𝑈; 𝑈 ′ ) = 𝐶𝑜𝑣(𝐴𝑋; 𝐴′ 𝑋 ′ ) = 𝐴𝐴′ 𝐶𝑜𝑣(𝑋; 𝑋 ′ ) = 𝐴2 𝐶𝑜𝑣(𝑋 ; 𝑋′)
𝑎 𝑐
𝐵=( ) 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑚𝑎𝑡𝑟𝑖𝑐𝑒 𝑠𝑦𝑚é𝑡𝑟𝑖𝑞𝑢𝑒
𝑐 𝑏
𝑎 𝑐
𝐵′ = 𝐵𝑡 = ( )=𝐵
𝑐 𝑏
𝐵2 = 𝐵 × 𝐵 = 𝐵′ × 𝐵 = 𝐵 × 𝐵′
𝑋1 𝑋 𝑋
𝐶𝑜𝑣(𝑈; 𝑈 ′ ) = 𝐴2 𝐶𝑜𝑣 (( ) ; ( 1 ) ′) = 𝐴2 𝐶𝑜𝑣 (( 1 ) ; (𝑋1 ; 𝑋2 )′)
𝑋2 𝑋2 𝑋2
𝐶𝑜𝑣(𝑋1 ; 𝑋1 ) 𝐶𝑜𝑣(𝑋1 ; 𝑋2 )
= 𝐴2 ( )
𝐶𝑜𝑣(𝑋2 ; 𝑋1 ) 𝐶𝑜𝑣(𝑋2 ; 𝑋2 )
𝑉(𝑋1 ) = 1 𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 0 1 0
= 𝐴2 ( ) = 𝐴2 ( )
𝐶𝑜𝑣(𝑋1 ; 𝑋2 ) = 0 𝑉(𝑋2 ) = 1 0 1
13 7
𝑉(𝑈1 ) 𝐶𝑜𝑣(𝑈1 ; 𝑈2 )
= 𝐴2 𝐼 = 𝐴2 = [36 24] = [ ]
7 15 𝐶𝑜𝑣(𝑈1 ; 𝑈2 ) 𝑉(𝑈2 )
24 48
4. 𝑈1 = 𝐴𝑋1 et 𝑈2 = 𝐴𝑋2
1. Les moyennes de X et Y
10
1 1
𝑋 = ∑ 𝑋𝑖 = × 261 = 26.1
𝑛 10
𝑖=1
10
1 1
𝑌 = ∑ 𝑌𝑖 = × 304 = 30.4
𝑛 10
𝑖=1
𝑑𝑓(𝑥) 𝑑𝑦
𝑓 ′ (𝑥) = =
𝑑𝑥 𝑑𝑥
Δ𝑦
𝑦
2. Δ𝑦 = 𝑑𝑦 𝑒𝑡 Δ𝑥 = 𝑑𝑥 → 𝑒 = Δ𝑥 Correspond à l’élasticité de y par rapport à x
𝑥
3. 𝑦 = 𝑓(𝑥) = √𝑥 = (𝑥)0.5
𝑎
𝑏 =𝑎×1 = 𝑐
𝑐 𝑏 𝑐 𝑏×𝑐
𝑎 𝑐 𝑎𝑐
=𝑎× =
𝑏 𝑏 𝑏
𝑐
0.5 0.5 1
𝑓 ′ (𝑥) = 0.5(𝑥)−0.5 = 0.5
= =
𝑥 √𝑥 2√𝑥
𝑑𝑓(𝑥) 𝑑𝑦 1
𝑓 ′ (𝑥) = = =
𝑑𝑥 𝑑𝑥 2√𝑥
𝑑𝑦
𝑦 𝑑𝑦 𝑥 𝑑𝑦 𝑥 1 𝑥 1 1
𝑒= = × = × = × = × √𝑥 = = 0.5
𝑑𝑥 𝑦 𝑑𝑥 𝑑𝑥 𝑦 2√𝑥 √𝑥 2√𝑥 2
𝑥
𝑑𝑥 𝑑𝑦
×𝑒 =
𝑥 𝑦
Si prix augmente de 10%, la production augmente de 5%. La hausse de prix engendre une
augmentation moins proportionnelle de production. Cette production est moins élastique
aux prix. D’où, la firme produit des biens supérieurs moins-sensibles à ces prix.
−7 7 7 49
≤ 0 < √𝛼 ≤ → 0 ≤ √𝛼 ≤ → 0 < 𝛼 ≤ ∀ 𝛼 𝜖]0 ; 3.06]
4 4 4 16
−4 −4 −3 1 3
−1 ≤ 𝜌𝑋 ;𝑍 ≤ 1 → −1 ≤ 3 ≤ 1 → −3 ≤ ≤3→ ≤ ≤4
√𝛼 √𝛼 4 √𝛼
−4 4 4
≤ 0 < √𝛼 ≤ 3 → 0 < √𝛼 ≤ 3
3
16
0<𝛼≤ = 1.78 ∀ 𝛼 𝜖 ]0 ; 1.78 ]
9
𝛼𝜖]0 ; 1.78 ] ∩ ]0 ; 3.06] = ]0 ; 1.78 ]
4.
V(X+Y+Z)=V(X+Y)+V(Z)+2Cov(X+Y ;Z)=V(X)+V(Y)+2Cov(X ;Y)+V(Z)+2Cov(X ;Z)+2
Cov(Y ;Z)=V(X)+V(Y)+2Cov(X ;Y)+V(Z)+2Cov(X ;Z)=𝛼 + 16 + 9 + 2 × 7 − 2 × 4 = 𝛼 +
31
5.
𝐶𝑜𝑣(𝑋 ; 𝑌 ) 7 7 1 1
𝜌𝑋 ;𝑌 = = = → = → 8 = 4√𝛼 → √𝛼 = 2 𝑒𝑡 𝛼 = 4
𝜎𝑋 𝜎𝑌 4√𝛼 8 4√𝛼 8
𝑋
𝑇= ~𝑆𝑡(𝑛)
√𝑌
2.
1 1
a. 𝑦𝑛 = ∑𝑛𝑖=1 𝑦𝑖 → 𝑛𝑦𝑛 = ∑𝑛𝑖=1 𝑦𝑖 = ∑𝑛−1
𝑖=1 𝑦𝑖 + 𝑦𝑛 = (𝑛 − 1) × ∑𝑛−1
𝑖=1 𝑦𝑖 +
𝑛 𝑛−1
𝑦𝑛
𝑛 𝑛−1
∑ 𝑦𝑖 = 𝑦1 + 𝑦2 + ⋯ … . . +𝑦𝑛−1 + 𝑦𝑛 = ∑ 𝑦𝑖 + 𝑦𝑛
𝑖=1 𝑖=1
𝑛−1
1
𝑦𝑛−1 = ∑ 𝑦𝑖
𝑛−1
𝑖=1
𝑛−1 1
𝑛𝑦𝑛 = (𝑛 − 1)𝑦𝑛−1 + 𝑦𝑛 → 𝑦𝑛 = 𝑦𝑛−1 + 𝑦𝑛
𝑛 𝑛
𝑦𝑛 = 𝑛𝑦𝑛 − (𝑛 − 1)𝑦𝑛−1
𝑛−1 1 𝑛−1
b. 𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) = 𝐶𝑜𝑣 ( 𝑦𝑛−1 + 𝑦𝑛 ; 𝑦𝑛−1 ) = 𝐶𝑜𝑣(𝑦𝑛−1 ; 𝑦𝑛−1 ) +
𝑛 𝑛 𝑛
1 𝑛−1 1 1 𝜎2 𝑛−1
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) = 𝑉(𝑦𝑛−1 ) + 𝐶𝑜𝑣(𝑦𝑛 ; ∑𝑛−1
𝑖=1 𝑦𝑖 ) = × +0=
𝑛 𝑛 𝑛 𝑛−1 𝑛−1 𝑛
𝜎2
𝑛
𝑛−1 𝑛−1
1 1 1 1
𝐶𝑜𝑣(𝑦𝑛 ; ∑ 𝑦𝑖 ) = × 𝐶𝑜𝑣 (𝑦𝑛 ; ∑ 𝑦𝑖 ) )
𝑛 𝑛−1 𝑛 𝑛−1
𝑖=1 𝑖=1
1 1
= × 𝐶𝑜𝑣(𝑦𝑛 ; 𝑦1 + 𝑦2 + ⋯ . . + + 𝑦𝑛−1 ) = 0
𝑛 𝑛−1
𝜎2
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) =
𝑛
𝐶𝑜𝑣(𝑎𝑋 + 𝑏𝑌 ; 𝑐𝑍 + 𝑑𝐻)
= 𝑎𝑐𝐶𝑜𝑣(𝑋 ; 𝑍) + 𝑎𝑑𝐶𝑜𝑣(𝑋 ; 𝐻) + 𝑏𝑐𝐶𝑜𝑣(𝑍 ; 𝑌) + 𝑏𝑑𝐶𝑜𝑣(𝑌 ; 𝐻)
𝑛−1
1 1
𝑉(𝑦𝑛−1 ) = 𝑉( ∑ 𝑦𝑖 ) = 𝑉(𝑦1 + 𝑦2 + ⋯ … + 𝑦𝑛−1 )
𝑛−1 (𝑛 − 1)2
𝑖=1
1
= [𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 ]
(𝑛 − 1)2
𝑛−1
1 2
1
= 2
∑ 𝜎 = 2
× (𝑛 − 1) × 𝜎 2
(𝑛 − 1) (𝑛 − 1)
𝑖=1
𝑛−1
1 1 1 1
𝐶𝑜𝑣 (𝑦𝑛 ; ∑ 𝑦𝑖 ) = × 𝐶𝑜𝑣( 𝑦𝑛 ; 𝑦1 + 𝑦2 + ⋯ … + 𝑦𝑛−1 ) = 0
𝑛 𝑛−1 𝑛 𝑛−1
𝑖=1
𝜎2 𝜎2
𝐶𝑜𝑣(𝑦𝑛 ; 𝑦𝑛−1 ) 𝑛 𝑛 √𝑛×(𝑛−1)
c. 𝜌𝑦𝑛 ; 𝑦𝑛−1 = )= = 𝜎2
= =
√𝑉(𝑦𝑛 )√𝑉((𝑦𝑛−1 ) 2
√𝜎 ×√ 𝜎
2 𝑛
𝑛 𝑛−1 √𝑛×(𝑛−1)
√(𝑛−1) 𝑛−1≈𝑛
=√ ≈1𝑛 ≈𝑛−1
√𝑛 𝑛
𝑛 → +∞ 𝑛 → +∞ 𝑛 → +∞
𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1
𝑛 → +∞
𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| ≥ 𝛼 ) = 1 − 𝐿𝑖𝑚 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1 − 1 = 0
𝑛 → +∞
lim 𝑝(|𝑦𝑛 − 𝑚| < 𝛼 ) = 1
𝑛 → +∞
𝑉(𝑋) 𝜎 2⁄ 𝜎2
𝑛
𝑝(|𝑋 − 𝑚| > 𝜀 = 𝛼) ≤ 2 = 2 = 2
𝛼 = 𝜀2 𝜀 𝑛𝜀
𝑉(𝑋)
𝑝(|𝑋 − 𝑚| ≤ 𝜀) = 1 − 𝑝(|𝑋 − 𝑚| > 𝜀) > 1 −
𝛼2 = 𝜀2
4.
1 1
a. 𝑆 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦𝑛 )2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑚 + 𝑚 − 𝑦𝑛 )2
𝑛 𝑛
𝑛
2
𝑛𝑆 2 = ∑[(𝑦𝑖 − 𝑚) − (𝑦𝑛 − 𝑚)]
𝑖=1
𝑛
2
= ∑ [(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑖 − 𝑚)(𝑦𝑛 − 𝑚) + (𝑦𝑛 − 𝑚) ]
𝑖=1
2
𝑛𝑆 2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚) ∑𝑛𝑖=1(𝑦𝑖 − 𝑚) + ∑𝑛𝑖=1(𝑦𝑛 − 𝑚)
𝑛 𝑛
1 2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚)𝑛 [ ∑ 𝑦𝑖 − 𝑚] + 𝑛(𝑦𝑛 − 𝑚)
𝑛
𝑖=1 𝑖=1
𝑛
2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2(𝑦𝑛 − 𝑚) × 𝑛(𝑦𝑛 − 𝑚) + 𝑛(𝑦𝑛 − 𝑚)
𝑖=1
𝑛
2 2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 2𝑛(𝑦𝑛 − 𝑚) + 𝑛(𝑦𝑛 − 𝑚)
𝑖=1
𝑛
2
𝑛𝑆 2 = ∑(𝑦𝑖 − 𝑚)2 − 𝑛(𝑦𝑛 − 𝑚)
𝑖=1
𝑛𝑆 2 1 2 𝑦𝑖 −𝑚 2
b. = 2 [∑𝑛𝑖=1(𝑦𝑖 − 𝑚)2 − 𝑛(𝑦𝑛 − 𝑚) ] = ∑𝑛𝑖=1 ( ) −
𝜎2 𝜎 𝜎
𝑦𝑛 −𝑚 2
𝑛( )
𝜎
2
𝑦𝑛 − 𝑚
2 (
𝑦𝑛 − 𝑚 𝜎 ) 2
𝑦𝑛 − 𝑚
2 ( ) 𝑦 −𝑚
2 𝜎 √𝑛
(√𝑛) ( ) = = = ( 𝑛𝜎 )
𝜎 1 1
2 √𝑛
(√𝑛)
2
𝑛
2 2
𝑛𝑆 𝑦𝑖 − 𝑚 𝑦𝑛 − 𝑚
= ∑ ( ) − ( 𝜎 )
𝜎2 𝜎 ⁄ 𝑛
𝑖=1 √
𝑦𝑖 − 𝑚
𝑂𝑛 𝑝𝑜𝑠𝑒 𝑍𝑖 = ~𝑁(0 ; 1)
𝜎
2 𝑦𝑖 − 𝑚 2
𝑍𝑖 = ( ) ~χ2(1)
𝜎
𝜎2
𝑦𝑛 ~𝑁(𝑚 ; )
𝑛
𝑦𝑛 − 𝑚
𝑂𝑛 𝑝𝑜𝑠𝑒 𝑊 = 𝜎 ~𝑁(0 ; 1)
⁄ 𝑛
√
2
𝑦𝑛 − 𝑚
𝑊2 = ( 𝜎 ) ~χ2(1)
⁄ 𝑛
√
𝜎2
𝑦𝑛 ~𝑁(𝑚 ; )
𝑛
𝑛 𝑛
𝑛𝑆 2
2
= ∑ 𝑍𝑖 2 − 𝑊 2 = ∑ χ2(1) − χ2(1)
𝜎
𝑖=1 𝑖=1
= χ2(1) + χ2(1) + ⋯ … … + χ2(1) − χ2(1) = χ2(n) − χ2(1)
= χ2(n − 1)
Propriété
χ2(a + b) = χ2(a) + χ2(b)
𝑛𝑆 2
c. ~ χ2(n − 1)
𝜎2
𝑛𝑆 2
Avec 𝐸 ( ) = 𝐸 [χ2(n − 1)] = (𝑛 − 1)
𝜎2
𝑛𝑆 2
𝐸 ( 2 ) = 𝑉[χ2(n − 1)] = 2(𝑛 − 1)
𝜎
Examen 2006
𝑋𝑖 ~𝑁(𝑚 ; 𝜎 2 )
1. 𝑝(𝑚 − 2𝜎 ≤ 𝑋 ≤ 𝑚 + 2𝜎)
𝑝(𝑚 − 2𝜎 − 𝑚 ≤ 𝑋 − 𝑚 ≤ 𝑚 + 2𝜎 − 𝑚)
−2𝜎 𝑋 − 𝑚 2𝜎
𝑝( ≤ ≤ )
𝜎 𝜎 𝜎
𝑋−𝑚
𝑝 (−2 ≤ ≤ 2) = 𝑝(|𝑍| ≤ 2) = 2𝐹 (2) − 1
𝜎
𝑝(−2 ≤ 𝑍 ≤ 2) = 𝐹 (2) − 𝐹 (−2) = 𝐹 (2) − (1 − 𝐹 (2))
= 𝐹 (2) − 1 + 𝐹 (2) = 2𝐹 (2) − 1 = 2 × 0.97725 − 1
= 0.95 = 95% = 1 − 5% = 1 − 𝛼%
Rappel
𝜒25%=0.05 (18) = 9.390
𝑆𝑡 2.5% (20) = 2.086
𝑆𝑡 2.5% (𝑇 − 𝑘 − 1 > 30) = 1.96
𝐹 5% (𝑘 ; 𝑛 − 𝑘 − 1) = 𝐹 5% (2 ; 17) = 3.59
2.
1
a. 𝑋 = ∑𝑛𝑖=1 𝑋𝑖 : Le rendement moyen d’une action ou la
𝑛
moyenne espérée d’une action
1 2
𝑆 2 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋) : La variance espérée d’une action ou le
𝑛
risque anticipé de la détention de cette action
1 1 1
b. 𝐸(𝑋) = 𝐸 (𝑋 = ∑𝑛𝑖=1 𝑋𝑖 ) = 𝐸 (∑𝑛𝑖=1 𝑋𝑖 ) = 𝐸 (𝑋1 + 𝑋2 +
𝑛 𝑛 𝑛
1 1
⋯ . . +𝑋𝑛 ) = [𝐸 (𝑋1 ) + 𝐸 (𝑋2 ) + ⋯ … + 𝐸 (𝑋𝑛 )] = × 𝑛 ×
𝑛 𝑛
𝑚=𝑚
̂ ) = 𝐸(𝑋) = 𝑚
𝐸 (𝑋
̂ = 𝑋 est un estimateur sans biais
𝑋
c.
1 2 1 2 1 2 1
i. 𝑛 = 2 → ∑2𝑖=1(𝑋𝑖 − 𝑋) = (𝑋1 − 𝑋) + (𝑋2 − 𝑋) = [𝑋1 2 −
2 2 2 2
2 2 1
2𝑋1 𝑋 + 𝑋 + 𝑋2 2 − 2𝑋2 𝑋 + 𝑋 ] = [𝑋1 2 + 𝑋2 2 − 2𝑋1 𝑋 − 2𝑋2 𝑋 +
2
2
2𝑋 ]
1
𝑋= (𝑋 + 𝑋2 )
2 1
1 1
[𝑋1 2 + 𝑋2 2 − 𝑋1 (𝑋1 + 𝑋2 ) − 𝑋2 (𝑋1 + 𝑋2 ) + (𝑋1 + 𝑋2 )2 ]
2 2
1 1
[𝑋1 2 + 𝑋2 2 − 𝑋1 2 − 𝑋1 𝑋2 − 𝑋2 𝑋1 − 𝑋2 2 + (𝑋1 + 𝑋2 )2 ]
2 2
1 1
[−𝑋1 𝑋2 − 𝑋2 𝑋1 + (𝑋1 + 𝑋2 )2 ]
2 2
1 1 1
[−2𝑋1 𝑋2 + 𝑋1 2 + 𝑋1 𝑋2 + 𝑋22 ]
2 2 2
1 1 1
[−𝑋1 𝑋2 + 𝑋1 2 + 𝑋22 ]
2 2 2
1 1 1
[ (𝑋1 − 𝑋2 )2 ] = (𝑋1 − 𝑋2 )2 = 𝑆 2 ∀ 𝑛 = 2
2 2 4
ii.𝐶𝑜𝑣(𝑋 ; 𝑆 2 )
𝐶𝑜𝑣(𝑋; 𝑋𝑖 − 𝑋) = 0
𝑋1 + 𝑋2
𝐶𝑜𝑣(𝑋 ; 𝑋1 − 𝑋2 ) = 𝐶𝑜𝑣 ( ; 𝑋1 − 𝑋2 )
2
1
= 𝐶𝑜𝑣 (𝑋1 + 𝑋2 ; 𝑋1 − 𝑋2 )
2
1
= [𝐶𝑜𝑣 (𝑋1 ; 𝑋1 ) − 𝐶𝑜𝑣 (𝑋1 ; 𝑋2 ) + 𝐶𝑜𝑣 (𝑋1 ; 𝑋2 )
2
1 1
− 𝐶𝑜𝑣(𝑋2 ; 𝑋2 )] = (𝑉 (𝑋1 ) − 𝑉(𝑋2 )) = (𝜎 2 − 𝜎 2 )
2 2
=0
iii. 𝐶𝑜𝑣(𝑋 ; 𝑋1 − 𝑋2 ) = 0 → 𝐶𝑜𝑣(𝑋; 𝑆 2 ) = 0 Il n’existe aucune
relation ou aucune dépendance entre la rentabilité de cette action
mesurée par la moyenne espérée et le risque de cette action, c’est-à-dire
le rendement ne permet pas de réduire ce risque parce que la covariance
entre risque et rendement est égale à zéro.
Rappel
𝜃̂ est un estimateur sans biais si et seulement si 𝐸(𝜃̂ ) − 𝜃 = 0 →
𝐸(𝜃̂ ) = 𝜃
𝜃̂ est un estimateur biaisé si et seulement si 𝐸(𝜃̂ ) − 𝜃 ≠ 0 →
𝐸(𝜃̂ ) ≠ 𝜃
Session 2018 :
Exercice n° 3
𝑍𝑡 = (−1)𝑡 𝜀
𝑍𝑠 = (−1)𝑠 𝜀
1.
𝐸 (𝑍𝑡 ) = 𝐸 [(−1)𝑡 𝜀𝑡 ] = (−1)𝑡 𝐸 (𝜀 ) = 0
𝑉 (𝑍𝑡 ) = 𝑉 [(−1)𝑡 𝜀𝑡 ] = (−1)2𝑡 𝑉(𝜀 ) = (1)2𝑡 × 1 = (1)2𝑡+1 = 1
𝐶𝑜𝑣 (𝑍𝑡 ; 𝑍𝑠 ) = 𝐶𝑜𝑣 ((−1)𝑡 𝜀 ; (−1)𝑠 𝜀 ) = (−1)𝑡+𝑠 𝐶𝑜𝑣 (𝜀 ; 𝜀 ) =
1 𝑠𝑖 𝑡 + 𝑠 𝑒𝑠𝑡 𝑝𝑎𝑖𝑟𝑒
= (−1)𝑡+𝑠 𝑉(𝜀 ) = {
−1 𝑠𝑖 𝑡 + 𝑠 𝑒𝑠𝑡 𝑖𝑚𝑝𝑎𝑖𝑟𝑒
2. 𝐸 (𝑋𝑡 ) = 𝐸 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +) = 0
𝑉 (𝑋𝑡 ) = 𝑉 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +)
𝑛
= 1 + 𝑎2 + 𝑎4 + ⋯ … . +𝑎2𝑛 = ∑ 𝑎2𝑖
𝑖=0
2 4 2𝑛
1 − 𝑞𝑛 1 − 𝑎2𝑛
𝑉 (𝑋𝑡 ) = 1 + 𝑎 + 𝑎 + ⋯ … . +𝑎 = 𝑈0 ( )=( )
1−𝑞 1 − 𝑎2
𝑈0 = 1 𝑒𝑡 𝑞: 𝑒𝑠𝑡 𝑙𝑎 𝑟𝑎𝑖𝑠𝑜𝑛 = 𝑎2 𝑒𝑡 |𝑎| < 1
1 − 𝑎2𝑛 1
𝐿𝑖𝑚 𝑉 (𝑋𝑡 ) = 𝑙𝑖𝑚 ( ) =
1 − 𝑎2 1 − 𝑎2
𝑛→0 𝑛→0
D’où
1
𝑉 (𝑋𝑡 ) =
1 − 𝑎2
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑋𝑡−1 )
= 𝐶𝑜𝑣 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ +; 𝑢𝑡−1
+ 𝑎𝑢𝑡−2 + 𝑎2 𝑢𝑡−3 + 𝑎3 𝑢𝑡−4 + ⋯ +)
𝑛
= 𝑎 + 𝑎3 + 𝑎5 + ⋯ . +𝑎2𝑛+1 = ∑ 𝑎2𝑖+1
𝑖=
𝑈0 = 𝑎 𝑒𝑡 𝑞 = 𝑎2 𝑒𝑡 |𝑎| < 1
3 5 2𝑛+1
1 − 𝑞𝑛
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑋𝑡−1 ) = 𝑎 + 𝑎 + 𝑎 + ⋯ . +𝑎 = 𝑈0 ( )
1−𝑞
1 − 𝑎2𝑛 𝑎
= 𝑎( ) =
1 − 𝑎2 1 − 𝑎2
𝐶𝑜𝑣(𝑋𝑡 ;𝑌𝑡 )
3. 𝜌𝑥 ;𝑦 =
√𝑉(𝑋𝑡 )√𝑉(𝑌𝑡 )
𝐶𝑜𝑣 (𝑋𝑡 ; 𝑌𝑡 )
= 𝐶𝑜𝑣 (𝑢𝑡 + 𝑎𝑢𝑡−1 + 𝑎2 𝑢𝑡−2 + 𝑎3 𝑢𝑡−3 + ⋯ … . ; 𝑢𝑡
+ 𝑏𝑢𝑡−1 + 𝑏 2 𝑢𝑡−2 + 𝑏 3 𝑢𝑡−3 + ⋯ … . )
𝑛
= 1 + 𝑎𝑏 + 𝑎2 𝑏 2 + 𝑎3 𝑏 3 + ⋯ … . +𝑎𝑛 𝑏 𝑛 = ∑(𝑎𝑏)𝑖
𝑖=0
𝛽̂ = 𝑌 − 𝛼̂𝑋
SCT = SCE+SCR
2
SCT : Somme du carré totale=∑𝑇𝑡=1(𝑌𝑡 − 𝑌) = 𝑇 × 𝑉(𝑌)
2
SCE : Somme du carré estimée= 𝛼̂ 2 ∑𝑇𝑡=1(𝑋𝑡 − 𝑋) =𝛼̂ 2 × 𝑇 × 𝑉(𝑋)
SCR : Somme du carré résiduelle=𝑆𝐶𝑇 − 𝑆𝐶𝐸 = ∑𝑇𝑡=1 𝜀̂𝑡
𝑆𝐶𝑅
𝑉 (𝜀̂𝑡 ) = 𝜎̂ 2 =
𝑇−2
𝜎̂ 2
𝑉 (𝛼̂ ) =
𝑇𝑉(𝑋)
1 𝑋2
̂
𝑉(𝛽 ) = ( − ) 𝜎̂ 2
𝑇 𝑇𝑉 (𝑋)
−𝑋
𝐶𝑜𝑣(𝛽̂ ; 𝛼̂) = 𝜎̂ 2
𝑇𝑉 (𝑋)
Significativité statistique
𝐻0 : 𝛼 = 0
{
𝐻1 : 𝛼 ≠ 0
𝛼̂ − 0
|𝑡𝛼̂𝑐 | = | | <> 𝑆𝑡 2.5% 𝑡𝑎𝑏𝑙𝑒 (𝑇 − 2)
√𝑉(𝛼̂)
Si |𝑡𝛼̂𝑐 | > 𝑆𝑡 2.5% (𝑇 − 2) → 𝐴𝐻1 𝑒𝑡 𝑅𝐻0 → 𝛼 ≠ 0
𝑒𝑡 𝛼̂ 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑞𝑢𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓
𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0
𝛽̂ − 0
|𝑡𝛽̂𝑐 | = || || <> 𝑆𝑡 2.5% (𝑇 − 2)
√𝑉(𝛽̂ )
𝛼̂ = 𝑌 − 𝛽̂ 𝑋 = 3.375-0.349×7.708 = 0.685
𝛽̂ = 𝑒𝑌/𝑋 = 0.349
→ 𝑙𝑒𝑠 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑡𝑖𝑜𝑛𝑠 𝑠𝑜𝑛𝑡 𝑖𝑛é𝑙𝑎𝑠𝑡𝑖𝑞𝑢𝑒𝑠 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 à 𝑐𝑒𝑡 𝑖𝑛𝑣𝑒𝑠𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡
C’est-à-dire une augmentation de 1% de cet investissement entraine une
hausse à l’ordre de 0.349% des exportations
𝛼̂ = 0.685
→ 0: 𝑢𝑛𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑡𝑛𝑡𝑒 𝑒𝑠𝑡𝑖𝑚é𝑒 𝑒𝑠𝑡 𝑝𝑟𝑒𝑠𝑞𝑢𝑒 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠 𝑧é𝑟𝑜,
𝑐 ′ 𝑒𝑠𝑡à 𝑑𝑖𝑟𝑒 𝑜𝑛 𝑎 𝑢𝑛 𝑒𝑓𝑓𝑒𝑡 𝑚𝑜𝑦𝑒𝑛 𝑜𝑚𝑜𝑖𝑠𝑒𝑠 𝑒𝑠𝑡𝑖𝑚é 𝑡𝑟è𝑠 𝑓𝑎𝑖𝑏𝑙𝑒
Il s’agit d’une bonne spécification de ces exportations par rapport à cet
investissement. D’où, un bon modèle a estimé.
𝑦𝑡 = 𝛼 + 𝛽𝑥𝑡 + 𝜀𝑡 : Modèle Observable
𝑦̂𝑡 = 𝛼̂ + 𝛽̂ 𝑥𝑡 : Modèle estimable
𝜀̂𝑡 = 𝑦𝑡 − 𝑦̂𝑡 = 𝑦𝑡 − 𝛼̂ − 𝛽̂ 𝑥𝑡
1
3. 𝑆𝐶𝑇 = 𝑇 × 𝑉 (𝑦) = 𝑇 × ∑24 2 24 2
𝑡=1(𝑦𝑡 − 𝑦) = ∑𝑡=1(𝑦𝑡 − 𝑦) = 106
𝑇
𝑆𝐶𝐸 = 𝛽̂ 2 𝑇 × 𝑉 (𝑥 )
24
𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0
𝛽̂ − 0 0.349
|𝑡𝛽̂𝑐 | |
=| || = | | = 34.9 > 𝑆𝑡 2.5 (𝑇 − 2 = 24 − 2
√0.0001
√𝑉(𝛽̂ )
= 22) ≈ 2
On accepte l’hypothèse alternative et on rejette l’hypothèse nulle. D’où,
on accepte la contrainte où ce coefficient est différent de zéro et ce
coefficient estimé est statistiquement significatif, c’est-à-dire le
logarithme népérien de l’investissement industriel exerce un impact
positif et significatif sur ces exportations logarithmiques.
5. yt =βxt +εt
𝜀𝑡 = 𝑦𝑡 − 𝛽𝑥𝑡
∑24
t=1 yt xt
β̂=
∑24
t=1 xt
2
24 24
∑24
t=1 xt yt ∑24
t=1 xt (α+βxt +εt ) α ∑24
t=1 xt +β ∑24
t=1 xt2 + ∑24
t xt εt α ∑24
t=1 xt
β̂ = 24 2 = = =
∑t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt
α ∑24
t=1 xt ∑24
t xt εt α ∑24
t=1 xt ∑24
t xt α ∑24
t=1 xt
E(β̂ )=E ( 24 2 +β+ 24 2 ) = 24 2 +β+ 24 2 E(εt )= 24 2 +β
∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt
𝛼∑ 𝑥 24
𝐸(𝛽̂ ) ≠ 𝛽 ↔ 𝛽̂ 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑏𝑖𝑎𝑖𝑠é car ∑24𝑡=1 2𝑡 ≠ 0
𝑡=1 𝑥𝑡
1
𝛼 × ∑24 𝑥
𝑇 𝑡=1 𝑡 = 𝛼𝑥 ≠ 0
1 𝑉(𝑥)
× ∑24
𝑡=1 𝑥𝑡2
𝑇
6. ŷt = 0.2yt−1 + 0.8xt + 1.5
Ce modèle exprime les exportations en fonctions de ces exportations retardées et
l’investissement industriel
Rappel :
Un modèle du retard échelonné est défini par la forme suivante (DL (q))
𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 + 𝛽2 𝑋𝑡−1 + ⋯ … … … … + 𝛽𝑞 𝑋𝑡−𝑞 + 𝜀𝑡
Un modèle du retard échelonné augmenté est défini par la forme suivante (ARDL (p ; q))
𝑌𝑡 = 𝛽0 + 𝛼1 𝑌𝑡−1 + 𝛼2 𝑌𝑡−2 + ⋯ … … + 𝛼𝑝 𝑌𝑡−𝑝 + 𝛽1 𝑋𝑡 + 𝛽2 𝑋𝑡−1 + ⋯ … … … … + 𝛽𝑞 𝑋𝑡−𝑞
+ 𝜀𝑡
ŷt = 0.2yt−1 + 0.8xt + 1.5
ARDL (1 ; 0)
ŷt = 0.2Lyt + 0.8xt + 1.5
𝑦𝑡 − 0.2Lyt = 0.8xt + 1.5
(1 − 0.2𝐿)𝑦𝑡 = 0.8xt + 1.5
0.8xt 1.5
𝑦̂𝑡 = +
(1 − 0.2𝐿) (1 − 0.2𝐿)
Les effets à court termes :
𝜕𝑦𝑡 𝜕𝑦𝑡
= 0.2 𝑒𝑡 = 0.8
𝜕𝑦𝑡−1 𝜕𝑥𝑡
L’effet à long terme 𝑡 = 𝑡 − 1 = ⋯ … … = 𝑡 − 𝑞 = ⋯ . . = 𝑡 − 𝑝
𝑦 = 0.2𝑦 + 0.8𝑥 + 1.5 ↔ 𝑦 − 0.2𝑦 = 0.8𝑥 + 1.5 ↔ 0.8𝑦 = 0.8𝑥 + 1.5 ↔ 𝑦 = 𝑥 + 1.875
𝜕𝑦
=1
𝜕𝑥
Examen IFID 2004
𝐸𝑡 =𝛼 + 𝛽𝑅𝑡 +𝜀𝑡
𝐸𝑡 : Variable exogène
𝑅𝑡 : Variable endogène
1. a.
𝑑 𝐸𝑡
𝛽=
𝑑 𝑅𝑡
b) Interprétation économique de 𝜀𝑡
𝜀𝑡 : C’est le terme d’erreur qui regroupe les autres déterminants de l’épargne sauf le taux
d’intérêt. Ces déterminants sont emboîtés dans ce terme d’erreur tels que : la consommation, le
taux d’inflation, les taxes, les impôts, le revenu, etc.
2. Estimation des paramètres de ce modèle linéaire simple :
1
𝑐𝑜𝑣 (𝐸 𝑅 ) ∑10
𝑡=1(𝐸𝑡 −𝐸
̅̅̅̅
̅ )((𝑅𝑡 −𝑅) ∑10 ̅̅̅̅
𝑡=1 𝐸𝑡 𝑅𝑡 −𝑇𝐸𝑅
𝛽̂ = 𝑉(𝑅𝑡) 𝑡 = 𝑇 1 10 ̅̅̅̅2
= 10 2 ̅
∑𝑡=1 𝑅𝑡 −𝑇𝑅 2
=
𝑡 ∑ (𝑅 −𝑅)
𝑇 𝑡=1 𝑡
10
1 1
𝑅 = ∑ 𝐸𝑡 = × 43.5 = 4.35
𝑇 10
𝑡=1
10
1 1
𝐸= ∑ 𝑅𝑡 = × 435 = 43.5
𝑇 10
𝑡=1
1
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 ) = 𝑇 ∑10 ̅ ̅̅̅ 1 10 ̅̅̅̅ 1
𝑡=1( 𝐸𝑡 − 𝐸 )((𝑅𝑡 − 𝑅)=𝑇 (∑𝑡=1 𝐸𝑡 𝑅𝑡 − 𝑇𝐸𝑅 ) = 10 (2106.5 − 10 × 43.5 ×
4.35) = 21.425
10 10
1 2 1 1
𝑉(𝑅𝑡 ) = ∑(𝑅𝑡 − 𝑅) = (∑ 𝑅𝑡2 − 𝑇𝑅̅ 2 ) = (215.25 − 10 × (4.35)2 ) = 2.603
𝑇 𝑇 10
𝑡=1 𝑡=1
𝑐𝑜𝑣 (𝐸 𝑅 ) 21.425
𝛽̂ = 𝑉(𝑅𝑡) 𝑡 = 2.603 = 8.232
𝑡
SCR= SCT-SCE
435 2
SCR = 20775-10*( 10 ) -8.2322 * 26.025= 88.894
2 88.894
V(𝜀̂
𝑡 ) =𝜎𝜀 = =11.112
8
La variance du terme d’erreur est très élevée. D’où, la qualité de précision de ce terme d’erreur
est très mauvaise.
4.
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 )
𝑎) 𝜌𝐸,𝑅 =
√𝑉(𝐸𝑡 )√𝑉(𝑅𝑡 )
1
𝑐𝑜𝑣 (𝐸𝑡 𝑅𝑡 )= 𝑇 ∑10 ̅ ̅̅̅ 214.5
𝑡=1( 𝐸𝑡 − 𝐸 )(𝑅𝑡 − 𝑅)= 10 = 21.425
26.025
𝑉(𝑅𝑡 )= = 2.603
10
1 2
𝑉(𝐸𝑡 ) = 𝑇 ∑10 2 ̅2 1 435
𝑡=1 𝐸𝑡 − 𝑇𝐸 = 10*(20775-10*-( 10 ))= 185.25
21.425
𝜌𝐸,𝑅 = =0.976 ≈ 1
√2.603√185.25
Nous pouvons constater qu’il existe une forte corrélation linéaire positive entre l’épargne et le
taux d’intérêt.
b) coefficient de détermination 𝑟 2 :
𝑟 2 = 𝜌𝐸,𝑅 2 = 0.9762 = 0.952 ≈ 1 ∶ bon ajustement linéaire
5.
𝐻0 : 𝛽 = 0
{
𝐻1 : 𝛽 ≠ 0
̂ −0
𝛽 8.232−0
|𝑡𝛽̂𝑐 |= √𝑉(𝛽̂)= √0.427 =12.598 > 𝑆𝑡(𝑇−2)
2.5% 2.5%
=> 𝑆𝑡(8) =2
̂
𝜀̂𝑡+𝑝 = 𝑒𝑡 = 𝐸𝑡+𝑝 − 𝐸 ̂ − 𝛽̂ 𝑅𝑡+𝑝
𝑡+𝑝 = 𝐸𝑡+𝑝 − 𝛼
𝐼𝐶 1−𝛼% (𝐸𝑡+𝑝 ) = 𝐸
̂𝑡+𝑝 ± 𝑆𝑡
2.5%
(8)√𝑉(𝑒𝑡 )
7. a yt = βxt + εt
𝜀𝑡 = 𝑦𝑡 − 𝛽𝑥𝑡
∑24
t=1 yt xt
β̂=
∑24
t=1 xt
2
24 24
∑24
t=1 xt yt ∑24
t=1 xt (α+βxt +εt ) α ∑24
t=1 xt +β ∑24
t=1 xt2 + ∑24
t xt εt α ∑24
t=1 xt
β̂ = 24 2 = = =
∑t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt ∑24 2
t=1 xt
α ∑24
t=1 xt ∑24
t xt εt α ∑24
t=1 xt ∑24
t xt α ∑24
t=1 xt
E(β̂ )=E ( 24 2 +β+ 24 2 ) = 24 2 +β+ 24 2 E(εt )= 24 2 +β
∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt ∑t=1 xt
𝛼∑ 𝑥 24
𝐸(𝛽̂ ) ≠ 𝛽 ↔ 𝛽̂ 𝑒𝑠𝑡 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑢𝑟 𝑏𝑖𝑎𝑖𝑠é car ∑24𝑡=1 2𝑡 ≠ 0
𝑡=1 𝑥𝑡
̂) = ̂2
𝜎
𝑉 (β
2
∑10
𝑡=1 𝑅𝑡